Kamu hastanelerindeki TİG (teşhisle ilişkili gruplar) verilerinin sağlık analitiği yaklaşımı ile incelenmesi

Abstract

Sağlık hizmetlerindeki büyük veri analitiği ve uygulamaları sağlık hizmetlerinin kalitesini arttırmak aynı zamanda maliyetleri azaltmak için kullanılmaktadır. Veri madenciliği teknikleri ile büyük veri tabanlarından yararlı bilgiler elde edilir. Bu çalışmanın amacı, bu veri madenciliği tekniklerini bir yıllık Teşhis İlişkili Gruplar (TİG) verilerine uygulayarak sağlık politikası oluşturan karar vericilere destek olmaktır. Öncelikle kümeleme teknikleri ile oluşan TİG'ler profil bilgisine göre kümelere ayrılmıştır. Ardından, hastanede aşırı yatış süresine (AYS) etki eden değişkenler lojistik regresyon ve karar ağacı uygulayarak tahmin edilmeye çalışılmıştır. Son olarak ise oluşan diabet hasta TİG'leri birliktelik analizi kullanılarak sonuçlar yorumlanmıştır.

Big data analytics and applications in healthcare are utilized to improve quality of care and also reduce costs. Data Mining is a technique, which enables valuable information in the large databases. The purpose of this study is to conduct data mining techniques to Diagnosis-Related Groups warehouse to support health politicians. Firstly, DRG's are segmented based on their demographic characteristics, by means of clustering analysis. Secondly, It is used to Logistic Regression and Classification and Regression Trees to study variables associated with high length of stay outliers. Finally, diabete DRG's are determined by using Association Rules and, the application results are presented within this order.